某醫藥檢測中心冰蓄冷空調系統智慧運維云平臺技術應用

方 興 李元陽 胡 欽 吳 斌 李克驊 邱藝德 管緒磊 范 波 閆 銳 陳東升

(1.廣東美的暖通設備有限公司,佛山;2.上海美控智慧建筑有限公司,上海)

0 引言

隨著我國“雙碳”目標的提出,建筑行業節能降碳工作面臨著前所未有的機遇和挑戰。統計數據顯示,我國建筑全過程能耗約占全國總能耗的46%,公共建筑運行能耗占建筑運行總能耗的30%～40%左右[1]。在公共建筑中,集中空調系統的能耗占公共建筑總能耗的30%～60%,是公共建筑節能工作的重點。特別是在夏季,公共建筑負荷需求大,空調系統不僅能耗高,而且高峰期的用電量也會加劇電網的峰值負荷,導致城市用電緊張。冰蓄冷空調系統利用夜間用電低谷期進行蓄冰,白天用電高峰期釋放冷量以輔助冷水機組供冷,實現集中空調系統用電的“移峰填谷”,同時也可以消納白天可再生能源產生的電量,從而優化了電力資源配置。

近年來,國內外對于蓄冷空調技術及蓄冷空調控制策略的研究取得了豐碩的成果。張敏等人以深圳市某商業綜合體工程為例,介紹了冰蓄冷空調系統的運行策略,對冰蓄冷空調不同蓄冰率的方案進行了對比分析[2]。梁康元等人比較了無蓄冷、冰蓄冷承擔基礎負荷+基載主機調峰、基載主機承擔基礎負荷+冰蓄冷調峰3種空調系統的運行模式,并分析了冰蓄冷空調系統在夏季典型日運行的經濟效益[3]。代如靜提出了冰蓄冷空調系統的冷負荷預測方法,建立了冰蓄冷空調系統逐時冷負荷預測模型,根據次日的負荷預測值來確定夜間的蓄冷量[4]。詹利軍等人將制冷主機運行效率與冰蓄冷空調系統運行策略結合起來,通過計算制冷主機逐時COP值,研究了更加適合冰蓄冷空調系統的運行策略[5]。

冰蓄冷空調系統由于其運行耦合度高、控制調節復雜,故障發生的頻次也超過了傳統集中空調系統。冰蓄冷空調系統在運行中一旦出現故障,會帶來系統控制失效、能耗升高及用戶熱舒適性降低等問題。因此,空調系統故障檢測與診斷也成為業內一個熱門研究方向。鄧光蔚基于某大型場館冰蓄冷空調系統的實測數據,診斷出主要的運行問題,并給出了相應的調試建議[6]。王波等人以我國北方地區某大型商業綜合體為例,對其空調系統現場診斷后進行分析和研究,總結了空調系統各關鍵設備和系統存在的典型問題,并提出節能改造建議[7]。孫哲等人提出了一種基于知識數據化表達的故障診斷方法,通過將故障診斷先驗知識以數據化的形式表達來彌補真實標記數據不足的問題[8]。趙云峰等人提出了基于解析模型方法的冷水機組冷凝器結垢故障檢測與診斷方法,選取4種冷水機組的特征參數構建預測模型,通過比較所選取的特征參數估計值和實際值的殘差進行故障判斷[9]。

1 項目概況

某醫藥檢測中心是一家位于廣東省深圳市的醫療器械技術監督機構,集醫療器械檢測、安全性評價、微生物檢驗、藥理毒理研究及動物實驗為一體。該檢測中心建筑面積4.83萬m2,建筑高度94.8 m,實驗用房面積1.6萬m2。

該項目空調系統為工藝性空調,為理化實驗室、生物實驗室及動物房提供冷量,全年每天24 h不間斷運行。其中動物房為全新風系統,夏季控制溫度24 ℃、相對濕度40%～60%,冬季控制溫度22 ℃、相對濕度40%～60%,換氣次數在10 h-1以上。為保證動物房的安全運行,夜間運行的基載制冷設備采用兩用一備的形式?？照{系統典型日逐時冷負荷與冷負荷系數如圖1所示。夏季空調冷源設計為部分負荷蓄冰空調系統,經逐時冷負荷計算,設計日空調最大冷負荷為11 007.3 kW,總供冷量為116 680 kW·h,計算蓄冷量為45 242.7 kW·h。動物房的冷負荷較大,夜間峰值負荷占白天峰值負荷的30%。

圖1 空調系統典型日逐時冷負荷與冷負荷系數

醫藥檢測中心冷源系統采用二次換熱系統,其中一次側采用雙工況冷水機組上游的串聯系統,乙二醇溶液先經過冷水機組降溫,再經過蓄冰槽降溫,然后經過板式換熱器,這樣可以提供更低的出水溫度,更好地保證除濕效果。蓄冰裝置選用非完全凍結式蓄冰槽,可以保證蓄冰槽穩定的設計出水溫度。二次側為板式換熱器與基載主機并聯的冷水系統,板式換熱器與基載主機可選擇單獨供冷,也可以選擇聯合供冷。

選用2臺單臺4 220 kW雙工況機組,蓄冰設備總蓄冰量為45 242.7 kW·h,蓄冰盤管配置容量為46 115 kW·h。所有動物房區域及部分實驗室區域需要24 h空調,為此設計3臺單臺2 110 kW磁懸浮基載主機(兩用一備),額定制冷工況冷水進/出水溫度為12 ℃/6 ℃,冷卻水進/出水溫度為32 ℃/37 ℃,制冷量為4 220 kW。輸配系統包括2臺乙二醇循環泵、2臺板式換熱器、2臺板式換熱器循環泵、3臺基載主機冷水泵及5臺冷卻水泵,所有水泵均采用變頻控制。雙工況冷水機組與基載冷水機組共用1套冷卻水系統,冷卻塔共6臺,冷卻塔風機采用變頻控制。冷源系統主要設備額定參數見表1。

表1 冷源系統主要設備額定參數

2 冰蓄冷空調系統控制策略

醫藥檢測中心冰蓄冷空調上位機控制系統采用M-BMS群控系統,通過該系統可以實現冰蓄冷空調系統的運行數據監測、手動/自動切換、控制參數設定、時間表設置、報表導出等功能。

醫藥檢測中心所在城市的電力供應夏季比較緊張,實行峰谷電價?？照{設備的電力負荷占總電力負荷的比例較大,通過將這部分電力負荷從用電高峰期轉移到用電低谷期,可使供電需求趨于平穩,提高供電效率。當地政府為采用冰蓄冷空調提供的優惠電價政策見表2。

表2 深圳市峰谷電價

根據表2,為冰蓄冷空調系統制定3種運行模式:1) 波平段采用雙工況主機優先供冷模式,M-BMS群控系統優先開啟雙工況主機,若實際負荷超過2臺雙工況主機所提供的最大冷量,則開啟基載主機輔助供冷;2) 波峰段采用蓄冰槽優先供冷模式,M-BMS群控系統優先開啟蓄冰槽供冷,若實際負荷超過蓄冰槽提供的最大冷量,則開啟雙工況主機輔助供冷;3) 波谷段采用雙工況主機制冰+基載主機供冷模式。冰蓄冷系統具體運行時間見表3。

表3 冰蓄冷系統運行時間

表3的控制邏輯被寫在M-BMS群控系統程序中,系統根據時鐘自動執行對應時間段的控制策略。

3 冰蓄冷系統智慧運維

3.1 智慧運維云平臺

該智慧運維云平臺為集中空調系統提供了一站式能源管理與智慧運維解決方案和服務,可對空調系統進行全方位管理與監控,實現全域感知數據的可視化,并采用大數據分析對系統運行數據進行深度挖掘,節省使用與管理費用。

下面重點從優化控制和故障診斷的角度介紹智慧運維云平臺在冰蓄冷空調系統智慧運維方面的應用。

3.2 時間表優化控制

冰蓄冷空調系統運行模式時間表是根據當地峰谷階梯電價制定的,制定初期并沒有考慮到實際空調負荷的變化。當系統運行一段時間后發現:隨著室外氣溫的上升、空調負荷的增大,按固定時間表運行時,蓄冰槽蓄冰量會提前消耗完;而隨著室外氣溫的下降、空調負荷的減小,按固定時間表運行時,蓄冰槽蓄冰量剩余過多,造成能量浪費?；谥腔圻\維云平臺采集數據,開發時間表優化控制算法,通過提前預測第2天的建筑負荷,根據預測負荷調整運行模式時間表,使得蓄冰槽蓄冰量剛好用完的同時盡量縮短主機的運行時間,達到空調系統運行電費最低的目的。

時間表優化控制算法主要由數據處理模塊、系統建模模塊、控制優化模塊3個部分組成。

數據處理模塊:用于獲取電網、氣象站、空調系統的實時數據,并對其進行數據預處理操作,包括數據清洗、特征提取、標準化等步驟,為后續系統建模與控制優化提供有效的數據輸入。

系統建模模塊:基于系統的歷史數據(外部環境變量、可控變量、狀態參數等),利用神經網絡來建立系統預測模型,包括雙工況主機模型、基載主機能耗模型、水泵與冷卻塔模型及蓄冰槽模型等。設備能耗模型如式(1)～(7)所示。

Pch1=f1(Qch1_c,Qch1_i,tcwr,tchw1)

(1)

Pch2=f2(Qch2,tcwr,tchw2)

(2)

Pchp1=f3(Nch1,fchp1)

(3)

Pchp2=f4(Nch2,fchp2)

(4)

Pcdp1=f5(Nch1,fcdp1)

(5)

Pcdp2=f6(Nch2,fcdp2)

(6)

Pct=f7(Nch1,Nch2,tcwr)

(7)

式(1)～(7)中Pch1為雙工況主機功率,kW;Qch1_c為雙工況主機制冷工況負荷,kW;Qch1_i為雙工況主機制冰工況負荷,kW;tcwr為冷卻塔回水溫度,℃;tchw1為雙工況主機出水溫度,℃;Pch2為基載主機功率,kW;Qch2為基載主機負荷,kW;tchw2為基載主機出水溫度,℃;Pchp1為雙工況主機冷水泵功率,kW;Nch1雙工況主機運行臺數;fchp1為雙工況主機冷水泵運行頻率,Hz;Pchp2為基載主機冷水泵功率,kW;Nch2為基載主機運行臺數;fchp2為基載主機冷水泵運行頻率,Hz;Pcdp1為雙工況主機冷卻水泵功率,kW;fcdp1為雙工況主機冷卻水泵運行頻率,Hz;Pcdp2為基載主機冷卻水泵功率,kW;fcdp2為基載主機冷卻水泵運行頻率,Hz;Pct為冷卻塔功率,kW。

蓄冰槽有制冷和制冰2種工況,2種工況下蓄冰槽蓄冰量容積比例的變化規律是不同的,因此針對制冷工況和制冰工況分別建立蓄冰槽模型,見式(8)、(9)。

1) 制冷工況。

S(τ)=g1(Qtank(τ-1),S(τ-1),

twb(τ-1))

(8)

2) 制冰工況。

S(τ)=g2(Qch1_i(τ-1),S(τ-1),

twb(τ-1))

(9)

式(8)、(9)中S(τ)為τ時刻蓄冰槽蓄冰量容積比例;Qtank(τ-1)為τ-1時刻蓄冰槽制冷量,kW;S(τ-1)為τ-1時刻蓄冰槽蓄冰量容積比例;twb(τ-1) 為τ-1時刻室外濕球溫度,℃;Qch1_i(τ-1)為τ-1時刻雙工況主機制冰工況制冷量,kW。

根據M-BMS系統采集的2021年3—10月空調系統歷史運行數據訓練上述神經網絡模型,用于預測未來一段時間內的設備功率及蓄冰槽蓄冰量。

控制優化模塊:該模塊可以根據系統預測模型在未來一定時間跨度內的系統預測結果,利用優化算法(如動態規劃、線性規劃、遺傳算法等)求解出最優的控制序列組合(冷水出水溫度、負荷分配比例等),以實現系統電費最低的目標。時間表優化控制算法原理見圖2。

圖2 時間表優化控制算法原理

圖3給出了2022年3月某日分別采用2種控制方案(固定時間表控制、優化時間表控制)后的運行時間表對比。由于固定時間表控制僅在高電價時間段(如09:00—11:30)使用蓄冰槽,導致當天結束時蓄冰槽有大量的剩余冷量未被使用。而同一天若采用優化后的控制方案,則控制系統首先根據當天的天氣數據預測出總建筑冷負荷,并根據建筑冷負荷預測值提前對蓄冰槽充能儲蓄足夠的冷量。由于白天可完全依靠蓄冰槽供冷,避免了使用主機,使當日的系統能耗相對固定時間表降低了28.3%(見圖4)。

圖3 典型日運行時間表優化對比

圖4 典型日冰蓄冷系統能耗優化對比

表4給出了典型月冰蓄冷空調系統采用優化時間表控制與固定時間表控制的能耗、電費對比?？梢钥闯?優化前后基載主機總冷量未發生改變;雙工況主機制冷量減少了25.08%,這是因為優化控制策略在低負荷工況下盡量采用蓄冰槽供冷,減少了雙工況主機的運行時間。典型月采用優化時間表控制后可減少系統能耗48 189.7 kW·h,節能率為7.46%,按當地分時電價折算,節省電費35 820.7元,節費率為11.08%。

表4 典型月冰蓄冷空調系統優化控制節能效果對比

3.3 故障規則預警

故障規則預警是基于由“IF ELSE”判斷邏輯建立的暖通設備專家規則庫對暖通設備的狀態異常、運行故障進行在線檢測的方法。故障規則診斷具有覆蓋面廣、通用性強、部署靈活的特點,可以實現空調系統絕大多數的故障診斷。

以該醫藥檢測中心冰蓄冷空調系統2022年3月的故障規則診斷結果為例,表5給出了當月故障發生頻率占比排名前5的主要故障信息?？梢钥闯?冰蓄冷空調系統3月發生頻率最高的是基載主機故障,故障占比為33.88%,故障原因是基載主機在本月頻繁發生壓縮機校準失敗、水流保護等故障。另外,發生了2種類型的傳感器偏差故障:冷卻水總管溫度計與熱量表EM1溫度偏差過大故障(故障2)、蓄冰槽入口溫度計與熱量表EM2溫度偏差過大故障(故障3),發生這2種故障的原因都是總管溫度傳感器與熱量表溫度傳感器采樣溫度偏差較大,需要維修人員現場對溫度傳感器進行檢修。故障4和故障5是實際閥門開關時間長于設定時間所產生的故障報警信息,發生原因是實際閥門動作較慢,開關行程的時間超出了預設的判定時間,這屬于系統運行初期采集數據不夠全面導致的閾值設置不合理從而造成的誤判,需要對判定閾值進行修改。

表5 2022年3月冰蓄冷空調系統故障規則診斷結果

圖5給出了該醫藥檢測中心冰蓄冷空調系統2022年2—4月各類型故障發生的預警次數對比。

圖5 冰蓄冷空調系統故障預警次數逐月對比

從圖5可以看出,“設備故障”發生次數呈逐月減少的趨勢,這是因為主機售后人員在收到故障反饋后及時到現場對壓縮機故障進行了修復。隨著基載主機故障問題的修復,主機故障發生次數有所減少,同時“冷水出水溫度過高”故障預警次數也有明顯下降。“溫度測量偏差”故障預警發生次數逐月減少的原因是冷卻水總管熱量表溫度傳感器與蓄冰槽入口熱量表溫度傳感器測量誤差較大,通過現場更換溫度傳感器探頭,溫度測量偏差有明顯減小。另外,“閥門動作不正確”“水泵頻率超限”故障預警次數逐月減少的原因是在故障規則庫部署初期,規則閾值設置不合理,隨著云平臺采集數據量的增加、規則閾值的不斷更新,誤報警次數有明顯下降。通過上述分析發現,故障規則預警可以有效檢測出設備運行異常并幫助運維人員對設備進行故障修復,但在故障規則部署的初期,會出現因系統運行數據量不足導致的規則閾值設置不合理的問題,需要基于系統運行數據對設備閾值進行更新,以提升故障診斷規則的適應性與準確性。

3.4 故障圖譜診斷

知識圖譜是真實世界中存在的各種實體、概念及其關系構成的語義網絡圖,用于形式化地描述真實世界中各類事物及其關聯關系[10],知識圖譜可以形象化地將系統中個體之間的關系進行表達與解析。在智慧建筑領域,應用知識圖譜可以提高云平臺上層應用(如建筑設施管理、數據挖掘與分析、能源管理等)的通用性與可移植性,降低云端大規模推廣應用的成本。以冰蓄冷系統中基載主機為例,圖6為其知識圖譜的結構。

由圖6可知,基載主機的知識圖譜包含2種元素:實體(圓圈)和關系(箭頭)。其中,實體包括幾種不同類型的實體,如設備(蒸發器、冷凝器等)、傳感器(蒸發器壓差開關、蒸發器液位傳感器等)、采集點位(蒸發壓力、冷凝壓力等)、空間位置(地下3層)、連接系統(冷水系統、冷卻水系統)、故障狀態、具體故障(壓縮機保護、傳感器故障等);關系則包括從屬關系(具有部件、具有測點、具有值)、空間關系(具有位置)及連接關系(提供)。通過構建基載主機的知識圖譜,可以將基載主機的設備屬性在云平臺進行標準化的定義,同理可以對冰蓄冷系統中其他空調設備作標準化定義。

基于知識圖譜進一步提出故障圖譜的概念,故障圖譜是以設備故障狀態為中心,通過知識圖譜反向查找與故障相關的設備特征參數,并建立邏輯推理關系圖。故障圖譜推理結構上分為頂層事件、中間事件和根原因。事件之間的邏輯關系通過“或”門、“與”門建立聯系。以主機冷卻水斷水保護故障為例,圖7為其故障圖譜推理的實例。

注:X1為控制邏輯為先開閥、后開泵;X2為冷卻水泵設成手動開關;X3為冷卻水泵頻率下限設置過小;X4為冷卻水泵頻率設成手動控制;X5為控制邏輯里冷卻塔臺數與主機臺數不匹配;X6為冷卻塔閥門被設成手動開關。圖7 主機冷卻水斷水保護故障圖譜推理實例

從圖7可知,當雙工況主機發生冷卻水斷水保護時,系統會先判斷冷卻水泵運行臺數是否小于冷卻閥打開數量,若是,則給出2種診斷結果:控制邏輯為先開閥、后開泵(X1)或冷卻水泵被設為手動狀態(X2);若冷卻水泵運行臺數等于冷卻閥打開數量且冷卻塔閥門開啟數量不小于雙工況主機臺數×2與基載主機臺數之和,則系統進一步給出2種診斷結果:冷卻水泵頻率下限設置過小(X3)或冷卻水泵頻率設成手動控制(X4);若冷卻水泵運行臺數等于冷卻閥打開數量且冷卻塔閥門開啟數量小于雙工況主機臺數×2與基載主機臺數之和,則系統給出2種診斷結果:控制邏輯里冷卻塔臺數與主機臺數不匹配(X5)或冷卻塔閥門被設成手動模型(X6)。通過故障圖譜推理流程,可以在云平臺實現故障推理的自動化,快速找出設備故障的原因。

圖8給出了2022年3月某日采用故障圖譜實際診斷基載主機運行故障的結果。云平臺從現場主機控制器中實時采集3臺基載主機的運行狀態信號,其中狀態信號“0”表示待機,“1”表示啟動中,“2”表示正常運行,“3”表示停機中,“4”表示故障。從圖8可以看出:3臺基載主機白天時段狀態信號都為0,說明白天冰蓄冷空調系統主要靠雙工況主機和蓄冰槽輪流供冷,不需要基載主機進行供冷。當到了夜間22:00雙工況主機轉入制冰時,基載主機開始供冷,3臺基載主機依次開啟。但在22:08基載主機1和基載主機3同時出現了冷水斷水故障,狀態信號從0變為4,經故障圖譜算法診斷其原因為:旁通閥壓差設定過大導致旁通閥未能及時打開,主機冷水流量過低導致故障報警。到了23:49,基載主機2又發生冷水斷水故障,故障圖譜算法診斷原因依然是旁通閥壓差設定過大而導致旁通閥未能打開。智慧運維云平臺將故障圖譜診斷結果通過短信形式反饋給物業人員,并建議其改小旁通閥壓差設定值。通過將旁通閥壓差設定值從300 kPa修改為250 kPa,有效解決了基載主機冷水斷水故障問題。

注:1) 報警1開始時間:2022-03-07T22:08,結束時間:2022-03-07T22:18。2) 運行狀態為4的主機:基載主機1,基載主機3;冷水斷水報警的主機:基載主機1,基載主機3。3) 故障根本原因:基載主機1旁通閥開度1%,旁通閥設定壓差過大;基載主機3旁通閥開度1%,旁通閥設定壓差過大。a基載主機1故障狀態

4 結論

本文以某醫藥檢測中心冰蓄冷空調系統為例,探討了基于大數據分析的智慧運維云平臺在空調系統故障診斷、運行優化方面的應用。通過云平臺部署的故障診斷規則庫可以有效檢測到冰蓄冷空調系統中暖通設備的運行故障和參數異常;基于知識圖譜的故障圖譜診斷算法,通過建立設備故障的邏輯推理關系圖,實現對具體故障的定位與溯源,幫助運維人員及時采取設備維修措施。開發時間表優化算法,對冰蓄冷系統全天制冰、供冷時間進行優化分配,使得系統整體的運行電費最低。通過典型月測試,對比固定時間表控制邏輯,采用時間表優化算法后冰蓄冷空調系統的節能率為7.46%,節費率為11.08%。通過智慧運維云平臺的研究與應用,可以有效解決公共建筑集中空調系統運行能耗高、運維智能化水平低的問題,保障暖通設備的長期高效、穩定運行。